Bộ dữ liệu AI hàng đầu có các trang web tiền điện tử trong Nguồn cấp dữ liệu của nó

• Colossal Clean Crawled Corpus phụ thuộc vào nhiều nền tảng tiền điện tử để lấy dữ liệu.
• Phân tích cho thấy một phần đoạn văn bản của C4 được trích xuất từ ​​các trang web dựa trên tiền điện tử.
• Sự hiện diện của các trang web tiền điện tử trong tập dữ liệu của C4 có thể ảnh hưởng đến mức độ sai lệch của nó.

Công cụ AI hàng đầu, Corpus thu thập thông tin sạch khổng lồ (C4), phụ thuộc vào nhiều nền tảng tiền điện tử cho một phần đáng kể dữ liệu của nó. Một phân tích cho thấy C4 trích xuất hàng triệu đoạn văn bản từ các trang web hoặc nền tảng web dựa trên tiền điện tử có liên quan chặt chẽ đến cryptocurrency.

Theo báo cáo, Ủy ban Chứng khoán và Giao dịch Hoa Kỳ (SEC), hiện chứa một lượng đáng kể thông tin liên quan đến tiền điện tử, chiếm 36 triệu mã thông báo C4, chiếm 0.02% bộ dữ liệu của nền tảng. Trang web của SEC (sec.gov), từ đó C4 lấy dữ liệu, xếp thứ 39 trong số các trang web do C4 tham gia.

Bitcointalk.org của Satoshi Nakamoto chiếm 6.1 triệu mã thông báo C4, tương đương với 0.004% tổng số mã thông báo. Nó được xếp hạng là trang web thứ 780 được tham gia bởi nền tảng này.

Các nền tảng tiền điện tử khác được C4 tham gia để thu thập dữ liệu bao gồm trang web tin tức về tiền điện tử, Cointelegraph và nền tảng tổng hợp mã thông báo, CoinmarketCap. Những trang web này và sáu trang web có liên quan khác chiếm 0.008% tổng số mã thông báo C4, trong khi các trang web khác liên quan đến các loại tiền điện tử cụ thể chiếm một phần không đáng kể trong đại diện.

IPFS (ipfs.io) và Steemit (steemit.com) nổi bật đáng kể trong bộ dữ liệu của C4. IPFS xếp thứ 16, trong khi Steemit xếp ở vị trí thứ 594. Cả hai trang web này đều không liên quan trực tiếp đến tiền điện tử nhưng có khuynh hướng đáng kể đối với ngành công nghiệp tiền điện tử.

Sự tham gia của các nền tảng liên quan đến tiền điện tử trong C4's Đào tạo AI quá trình cho thấy sự xâm lấn của tiền điện tử vào dòng chính. Mức độ đại diện của các trang web tiền điện tử đủ quan trọng để ảnh hưởng đến kết quả của C4, mặc dù các trang web chính thống như Google và Facebook xếp hạng cao hơn chúng một cách đáng kể.

C4 đã phải đối mặt với những lời chỉ trích về dữ liệu vi phạm bản quyền và ngôn từ kích động thù địch, mặc dù có báo cáo về việc bộ dữ liệu đã được "làm sạch". Chỉ với 400 từ trong danh sách kiểm duyệt nội dung cụ thể, nó cho thấy vẫn có thể có nội dung gây tranh cãi trong C4. Sự hiện diện của các trang web tiền điện tử trong tập dữ liệu của nó cũng có thể ảnh hưởng đến mức độ sai lệch của nó.

Lượt xem bài đăng: 125